Soutenance de doctorat d'Alexandre Adam

Inférence bayésienne en haute dimension appliquée à l’étude des lentilles gravitationnelles fortes

La nature de la matière noire demeure l’une des grandes questions ouvertes de la cosmologie. Les lentilles gravitationnelles fortes offrent une façon unique de sonder les structures de matière noire, mais leur signal, qui prend la forme de subtiles déformations de l’image d’une source située en arrière-plan, peut être confondu avec celui des autres composantes du modèle, notamment les paramètres décrivant la morphologie de cette source.

Cette thèse développe des méthodes d’inférence bayésienne en haute dimension pour résoudre ce problème. J’introduis d’abord des modèles génératifs basés sur la diffusion afin de représenter des images réalistes de galaxies, d’échantillonner les distributions a posteriori de lentilles observées par Hubble et d’approximer la vraisemblance en présence de bruit non gaussien. Ces méthodes sont validées dans un problème de déconvolution d’images de Hubble à l’aide d’observations de James Webb, puis appliquées à l’échantillon de lentilles fortes SLACS.

Je développe enfin des méthodes fondées sur un simulateur différentiable afin de quantifier l’information contenue dans les données sur la matière noire. Cette analyse montre que le principal obstacle à l’extraction de cette information est la capacité d’un modèle très flexible de la source d’arrière-plan à absorber le signal recherché. J’introduis le Fisher Graph Laplacian afin de régulariser les dégénérescences internes du modèle de la source, ce qui permet ensuite d’étudier la sensibilité des données à une population de sous-halos telle que prédite par les modèles de matière noire froide et tiède. Ce cadre constitue une étape importante vers l’obtention de contraintes robustes sur les propriétés de la matière noire à des échelles plus petites qu'une galaxie.